日趋复杂的经济管理的现实需求，促使当今的理论研究正步入深化行为分析的新时代。本文从新的视角，以行为的精深分析为主线，侧重在本质关联的层面上探讨人工智能(AI)、机器学习以及深度学习和强化学习等高新技术的发展动因、人文行为特征和可能对传统计量实证造成的冲击与挑战，试图通过异质行为根源、社会网络结构上的传导机理和路径选择等层面上的一体化贯通分析，寻求在更好地解释宏观复杂现象等方面取得突破的可能性，以及在行为分析建模与传统方法的对比中展望经济计量方法的发展前景。
关键词:人工智能,机器学习,计量实证,行为分析
人工智能(AI)与高新技术及产业发展的又一波浪潮来袭，发动着一场空前的由思维到行动、由自然科学到社会科学的全方位变革，对科技和社会发展的理论研究与应用实践造成强烈的冲击。然而，有人为AI的发展欢呼雀跃，也有人为人类前途命运忧心忡忡;有对机器蛮力不屑一顾者，也有对人类失去优越感而沮丧彷徨者，不一而已[1]。
已有的相关研究大都是从技术、应用及产业发展等角度分门别类地分析探讨[2-3]。而本文则将从经济管理的理论源头上、在人类行为的本质属性层面上考察AI与机器学习等高新技术的特点及其对经济分析中的计量实证研究所带来的冲击、挑战和机遇，具体探讨AI迅猛发展的主要动因及其与人类行为的关系，如何能以深化行为分析为主轴，贯通AI和机器学习等与计量实证的发展，将它们切实地融合提升。
沿AI—机器学习—计量实证的创新发展这一主线、在深化行为分析的本质层面上逐步展开，本文各部分的内容大致安排如下:第一部分简要地论述AI的发展动因及对人类智慧和行为的模仿与推升;第二部分主要介绍和探讨机器学习的原理延伸及其所蕴含的人文行为特性;最后的第三部分试图给出基于异质行为分析的微宏观一体化建模原理和流程、概要介绍初步的“通宏洞微”应用案例，并展望未来AI、机器学习等与计量实证的协同共进。
一、人工智能发展的阶段性动因与对人类行为的模仿提升
一般认为，人工智能是人类综合利用高科技(机、电、光、材、生、数、脑、文等学科领域)来延伸自身的感知器官、增强思维和体能的一类方式或技术的统称，是人类智慧在当今时代的一种新的表现形式;AI源于和服务于人类的全面发展，侧重于技术性地模拟、延伸人类思维和人体机能，或许还能虚拟地创设人类的“全新”功能，但它始终掩盖不了作为人类智慧的附属物、二手货和山寨品的印痕。
回顾AI艰难曲折、波澜起伏的发展历程，从其总体上呈现的锐不可当的迅猛之势中，还可透视出潜藏着的以行为本征为模板的对人类智慧和行动的大尺度模仿。
(一)AI的本质特征与阶段性发展动因
符号主义与联结主义是人工智能的发展中从不同视角形成的两个流派。世界上万事万物的存在和演变，都有其内在的逻辑，而这些逻辑反映到人类认知中可以通过符号形式贯穿起来。宏伟的欧几里得几何理论大厦，就是在不言自明的公理体系的基础上完全由逻辑构造出来，严整唯美、无懈可击，这为人类后来的科学发展和技术进步提供了标准的范式和深邃的启示，也为当下AI的兴起和腾飞奇幻般地预置了思维模板和实现路径。
AI中的符号主义学派，就是基于人与自然的对接点，侧重于将人对自然界和社会的认知，以符号和形式化的方式影射到可推理的理论世界中，主要代表就是机器定理证明、演绎推理方式和可自动化的算法等;从认知观念上来说，符号主义侧重于对时点特征的个性分析，映射和孕育了一套专用符号集操作系统:元素、运算支撑点密码和算法规则等，将人类与自然交互过程中的感/认知、思维、决策、行动等用符号和形式化逻辑方式贯穿，具体就是用机器语言编写指令和程序，来操控终端设备，以实现预期目的。而如此的对应转化，顺应了时代特征和实践需求，推动了AI一个时期的蓬勃发展。
AI的另一支撑点是联结主义，其基本思想和原理是模拟人类大脑的神经元网络的结构和机能(也应包括大脑通过神经中枢系统对身体其他部位的指令、控制和协调及反馈)，与真实世界中的社会网络结构和可能存在的种种场景交互:初等神经元对于简单模式敏感，高级神经元对于复杂模式敏感，神经网络结构又神奇般地将对不同类信号的敏感及处理方式组合起来，生物结构的联系和对应方式是极其深奥玄妙并且其敏感度和复杂模式的类型、程度受内在特有规律的支配，并与外部关联。
这证明了大脑网络和神经中枢系统具有简单模式—复杂模式混合的有机协调功能，也启发了计算机科学家发明人工神经网络的思路，内在地规约了技术实现路径。虽然现已发展出深度学习和强化学习等，但人类大脑中神经元细胞的成分、构造、分布、裂变、演化、组联等有机的生物机理，对外界条件变化的反应、敏感、连通和传导交互模式等，在神经网络结构上的信息处理和综合协调功能，对AI技术来说，还是很大的谜，远未揭开。
应该看到，AI发展更重要和更关键的是，分布关联式技术取向必须要与人类多元化、个性化和社会网络化的发展趋势高度吻合和共融，更好地顺应人类社会更高层级的发展需求。从AI本质特征的视角来看，其每一发展阶段的主要形态、技术动因和产生的社会效应等，与相应年代的生产力发展水平及社会需求，都有其必然的内在关联。
(二)AI对人类行为属性的模仿与提升
人类的行为属性，既有先天禀赋，又有后天习得，本性是天赋内生、又经受了后天磨砺，而AI自始至终是要靠外生赋予，其功能和运行都在受机器指令支配。人类社会的全面发展，从内在因素来说，是人性的完善和升华，人工智能其实是对人性的一种自我挑战、考验和升华。人之初到底是“性本善”还是“性本恶”，或许这类关于人性本源的争议也在影响AI领域。
类似地，AI是善是恶，是最终“融入”还是“叛变”人类，也取决于人类自身。如果真有那么一天，人类被AI所“终结”，那么，真正的罪魁祸首必将也是人类天性中的自私、贪婪与邪恶等，AI充其量只是一种工具和手段、一种表现形式而已，只是人性基础上的选择性功能强化和效率提高。
所以，说到底，AI的发展是由人类行为属性决定的，人性和人类的自我控制，也是AI发展绕不开的根本问题，AI不可能彻底改变人性，但却能以其特有的功能来检验、确证和包容人性，校准人类社会的发展方向。
由于社会构成和文明进步阶段性的影响，同一时代或同一文明中的人往往会拥有某种类同的人性，社会群体中的共性同人与人之间的差异性共存，具有分布式一集群式计算逻辑的AI的发展，其生物学和社会学基础是人类社会行为内在的普遍性与统一性的融合。类似地，将AI与互联网+、物联网、大数据、区块链和比特币等这些不断涌现出来的新技术概念的热词新词联系起来看，就不难明白AI的这一波高潮为什么会如此猛烈，为什么能在中国产生更大的影响?这是与中国的禀赋特色、文化传统、行为习惯以及社会经济发展状况密切相关的。
二、机器学习的人文行为习性
(一)行为分析视角下的机器学习
机器学习(machinelearning，ML;亦称统计学习)是一门跨多领域的交叉学科，涉及统计学、概率论、计算数学、逼近论、凸分析、计算机科学、数据科学、算法复杂度理论，以及行为科学等。学习是人类具有的一种重要智能行为，ML是人工智能的核心，是使计算机具有智能的根本途径和基本方式，是专门研究计算机怎样模拟或实现人类的学习行为，重新组织已有的知识结构使之不断改善自身性能，以获取新的知识或技能[4];主要使用归纳、综合而不只是演绎逻辑，其应用遍及人工智能的诸多领域，近年来也受到经济管理和人文社会科学其他分支领域的高度关注，如:大数据处理、数据挖掘、自然语言处理;语音和手写识别、生物特征识别、多功能搜索引擎、计算机视觉、情景模拟、智能仿生算法;金融监管、公共管理与政策分析、复杂决策行为分析;医学诊断、DNA序列测序，以及棋艺、网游、战略游戏和机器人运用等。
(二)基于深化行为分析的深度学习与强化学习
深度学习(deeplearning，DL)的概念源于人工神经网络的研究，主要是模仿人类大脑的学习推理过程，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。其深度的含义是指一种具有多隐层的多层感知器的学习结构，这可以更深层地考虑大脑信号从输入到输出的路径长度和方法的不规则性与多层网络结构。
三、人工智能技术融入计量实证带来的变革和飞跃
在完全竞争的市场经济背景下，形成了以新古典为代表的现代经济学理论体系，相应地发展出以概率统计为基础的计量实证方法和技术工具。
然而，如何适应当今日趋复杂的经济管理的现实需求，在计量实证研究中融入人工智能和机器学习等亟待开发、极具成长潜力的新的分析技术和工具?若要真正地拓展和实现计量实证的跨越式发展，就需要从观察、描述、分析、建模、推演、应用、检验和提升等各个环节有实质性的转变:一方面要用大数据、AI和可计算思维等为深化行为分析和提升社会科学研究方法插上现代高科技的翅膀;另一方面要为数据科学、信息网络技术和高性能计算等在社会科学研究中的应用赋予人文灵魂，基于微观真实主体的关键行为特征，与社会群体分布结构和演化过程相应的个量生成总量的内在机理、可行机制及加总方式，跨界跨学科地构建微观宏观一体化的计算实验平台，来考察分析各类非均衡、非对称、非常态的宏观异象和复杂决策典型化事实。
大数据、AI和机器学习的原理逻辑和技术功能，使人们能获得真实世界到理论世界的全息映射，进而在理论世界对真实世界中的人和事进行复盘推演，以便检验理论、提升实证、评估政策和校准行为。
展望经济实证分析由经验、计量到计算的发展前景，由于研究对象的本质属性决定和研究方法的不断改进，以深化行为分析为基点和主轴，从各类真实经济现象的深层根源出发，传统的计量实证必然要吸收、融合并被注入AI和机器学习以及大数据等有鲜明时代特征的高科技手段与工具，促使经济研究的实证分析方法进入一个全新的发展阶段:如非均衡视角、非线性分析、非参数建模、分布式计算思维方式和技术工具的引用;多因混态数据的分类处理、建模和因果分析;微观宏观一体化的计算实验平台;考虑纵向异质性的高频数据分析;工具变量选取与心理阈值的对接等观念和手段的全面提升，具体在高维回归、结构化参数估计、局部稳健与机器学习相结合得到双重稳健估计量等方面的积极有益的尝试[8-9]。
以上种种实证方法能使经济分析更具针对性和实效性，更具人文特色。而从深化行为分析揭示复杂经济和社会发展的本质特征的视角看，未来在人文社会科学研究中，AI和机器学习等与计量实证方法的结合，更需要坚持人本导向、突出人文特色，基于行为大数据、赋予鲜活的人文灵魂、勇于开辟新的方向和路径，以创立能深入行为内核的认知统计学、量子经济学等新兴分支为理论方法基础。
拓展和构建新的计量实证体系;要敢于正视由异质非线性的微观行为特征到非均衡、非经典分布的总量生成机理，进一步明确提供有力支撑的科技工具与经济学和人文社会科学结合时的本质和重点，找准能更加针对行为的起始点、对接点、发力点和关键点，打开行为黑箱，撩开理性面纱，拨开数据迷雾，从行为根源上寻求经济社会运行的内在机理和真正的驱动力，以及人类面临复杂现象时的决定因素和决策密码。
未来只要能很好地与AI和大数据等融合，经济理论和实证分析就会不再为完全理性、有限(非)理性的无谓争论所困扰，不再为社会经济运行的机理迷宫所茫然，不再为复杂情景下的临界抉择所纠结，不再为计量实证的本质缺陷所窘迫，有力地助推理论和实证沿深化行为分析的路径更深地根植于生存的环境和土壤、更接现实问题的地气，有更广泛的适用范围，展示其更加可信的解释力和更高参考价值的预见性。
参考文献:
[1]顾险峰.人工智能的历史回顾和发展现状[J].自然杂志，2016(3):157-166.
[2]CUENL.Humansvs.AI:thehistoryandfutureofartificialintelligence[N].InternationalBusinessTimes，2017-06-26.
[3]周伯文.AI不是为了模仿人，而是为了服务人[N/OL].新华每日电讯，2018-06-12，http://www.sohu.com/a/235217191_117503.
[4]ALPAYDINE.Introductiontomachinelearning[M].London:TheMITPress，2010.
[5]BUSONIUL，BABUSKAR，DESCHUTTERB，etal.Reinforcementlearninganddynamicprogrammingusingfunctionapproximators[M].Florida:CRCPress，2010.
[6]王国成.计算社会科学引论———从微观行为到宏观涌现[M].北京:中国社会科学出版社，2015.
[7]GALLEGATIM，PALESTRINIA，RUSSOA.Introductiontoagent-basedeconomics[M].London:AcademicPress，2017.
人工智能期刊推荐：模式识别与人工智能主要发表和报道模式识别、人工智能、智能计算机及智能系统等方面研究成果与进展。本刊面向国内外各高等院校、研究机构和企业的科研人员、教师、工程技术人员及研究生和高年级大学生。
